如何图像去噪？（二）

原创

于 2025-03-22 10:56:59 发布 · 1.2k 阅读

第七章自监督学习与无监督去噪

喜欢可以在我的主页订阅专栏哟，至少更新6年~~，更到我上大学也可能会继续更~~

7.1 自监督去噪的核心思想

自监督学习通过设计无需干净图像的训练任务，从噪声数据中直接学习去噪映射。其核心优势在于摆脱对成对数据（噪声-干净图像）的依赖，适用于真实场景。

关键技术路线：

盲点学习：通过屏蔽部分输入像素，强制网络学习上下文信息
噪声建模：假设噪声统计特性（如零均值、独立性）构建损失函数
多帧融合：利用视频或多曝光图像中的时间冗余

7.2 经典自监督去噪方法

7.2.1 Noise2Noise

基本假设：噪声图像对 ( I_{\text{noisy}}^{(1)}, I_{\text{noisy}}^{(2)} ) 的期望值等于干净图像
损失函数：
[ \mathcal{L} = \mathbb{E}\left[ | f_{\theta}(I_{\text{noisy}}^{(1)}) - I_{\text{noisy}}^{(2)} |^2 \right] ]

代码实现：

class Noise2Noise(nn.Module):
    def __init__(self):
        super().__init__()
        self.unet = UNet()

    def forward(self, noisy1, noisy2):
        denoised = self.unet(noisy1)
        loss = nn.MSELoss()(denoised, noisy2)
        return loss

7.2.2 Noise2Void

盲点策略：随机屏蔽输入像素，强制网络从周围像素推断

掩码生成函数：

def generate_mask(shape, p=0.2):
    mask = torch.ones(shape)
    mask[torch.rand(shape) < p] = 0  # 随机置零
    return mask

损失函数：仅计算被屏蔽位置的预测误差

7.3 无监督去噪方法

7.3.1 基于生成对抗网络（GAN）的无监督学习

CycleGAN架构：
- 生成器 ( G ): 噪声图像 → 干净图像
- 判别器 ( D ): 区分生成图像与真实图像分布
循环一致性损失：
[ \mathcal{L}{\text{cycle}} = \mathbb{E} \left[ | G^{-1}(G(I{\text{noisy}})) - I_{\text{noisy}} |_1 \right] ]

7.3.2 深度图像先验（DIP）

核心思想：神经网络结构本身隐式编码图像先验
优化目标：
[ \hat{\theta} = \arg\min_{\theta} | f_{\theta}(z) - I_{\text{noisy}} |^2 ]
- ( z ): 随机噪声输入
- 早期停止策略防止过拟合噪声

7.4 基于对比学习的去噪方法

7.4.1 对比损失设计

正样本：同一图像的不同噪声实例
负样本：其他噪声图像
损失函数：
[ \mathcal{L} = -\log \frac{e^{{s_p/\tau}}{e}{s_p/\tau} + \sum e^{s_n/\tau}} ]
- ( s_p ): 正样本相似度
- ( s_n ): 负样本相似度
- ( \tau ): 温度系数

7.4.2 代码实现（SimCLR框架）

class ContrastiveDenoiser(nn.Module):
    def __init__(self):
        super().__init__()
        self.encoder = ResNet50()
        self.projection = nn.Linear(2048, 128)  # 投影头

    def forward(self, x1, x2):
        h1 = self.encoder(x1)
        h2 = self.encoder(x2)
        z1 = self.projection(h1)
        z2 = self.projection(h2)
        return F.normalize(z1, dim=1), F.normalize(z2, dim=1)

# 对比损失计算
def contrastive_loss(z1, z2, temperature

标签

#图像处理

最低0.47元/天解锁文章